Un modèle de 3,35 milliards de paramètres, un agent LangGraph et une plateforme open source débarquent dans une file de tickets de support. La suite : un pipeline multilingue étonnamment compétitif.
L'essentiel : On a construit un agent de support multilingue avec Tiny Aya (3,35B) de Cohere, sur une stack LangGraph + Idun Engine. Ce modèle de 3,35 milliards de paramètres gère 23 langues et les prompts qui mêlent plusieurs langues assez bien pour trier de vrais tickets, pour environ 1/40e du coût d'inférence des modèles de la classe GPT-4. Architecture complète, méthodologie d'évaluation et patterns de déploiement en production ci-dessous.
Le support en entreprise ne se fait pas dans une seule langue. Un ingénieur français remonte un bug avec une stack trace complète. Une équipe d'exploitation turque ouvre un ticket sur un planning de sauvegarde qui échoue, expressions cron et extraits de logs à l'appui. Un développeur japonais décrit une fuite mémoire en citant des heap dumps et des flags JVM.
Avant de pouvoir trier, classer ou répondre à ces tickets, quelqu'un (ou quelque chose) doit les comprendre. Et comprendre un ticket de support technique multilingue est plus difficile qu'il n'y paraît. Il faut préserver les codes d'erreur, les endpoints d'API, les fragments SQL et le raisonnement causal qui rend un rapport de bug exploitable. Traduisez mal « le serveur renvoie une erreur 504 » et vous perdez le code de statut. Paraphrasez une stack trace et c'est tout le chemin de débogage qui disparaît.
L'approche classique consiste à tout faire passer par l'API d'un grand modèle, généralement 30 milliards de paramètres ou plus sur un endpoint cloud. Ça marche. C'est aussi lent (10 à 30 secondes par requête), coûteux à grande échelle, et ça crée une dépendance forte à une infrastructure externe.
On voulait savoir s'il était possible de construire un agent de support multilingue complet, propulsé principalement par un modèle de 3,35 milliards de paramètres. Détection de langue, traduction, vérification, classification, le tout assez rapide pour du tri en temps réel.
Quand Cohere Labs a sorti Tiny Aya en février 2026, le modèle a retenu notre attention. La plupart des modèles multilingues de cette taille traitent la couverture linguistique comme une case à cocher : ils supportent beaucoup de langues, mais les performances chutent brutalement en dehors de l'anglais et de quelques langues bien dotées en données. Tiny Aya fait autrement.
Plutôt que de s'éparpiller, Tiny Aya couvre 67 langues avec des variantes instruction-tuned, chacune spécialisée sur une région linguistique :
- TinyAya-Global : le généraliste, équilibré sur les 67 langues. - TinyAya-Earth : Afrique et Asie de l'Ouest (arabe, turc, swahili, amharique, haoussa, etc.) - TinyAya-Fire : Asie du Sud (hindi, bengali, tamoul, ourdou, etc.) - TinyAya-Water : Asie-Pacifique et Europe (français, japonais, chinois, portugais, espagnol, coréen, etc.)
Cette structure nous a tout de suite suggéré une architecture. Au lieu de choisir un modèle en espérant qu'il marche partout, on pouvait faire tourner le modèle global comme référence et, en parallèle, la variante spécialisée pour la langue détectée. Deux traductions, une étape de vérification, la meilleure sortie l'emporte.
